به کارگیری الگوریتم های یادگیری ماشین SVM و RF در تهیه نقشه پتانسیل معدنی محدوده مس – طلای پورفیری شادان ، خراسان جنوبی، ایران

شناسایی مناطق با پتانسیل معدنی در اکتشافات تفصیلی به منظور طراحی دقیق تر برنامه های اکتشافی، از طریق تحلیل و ارزیابی داده های موجود انجام می گیرد. این فرایند در چارچوب مدل سازی پتانسیل معدنی توسعه داده شده و به بهینه سازی عملیات اکتشاف کمک می کند. در این تحقیق، از الگوریتم های یادگیری ماشین نظارت شده شامل ماشین بردار پشتیبان (SVM) و جنگل تصادفی (Random Forest) برای تهیه نقشه پتانسیل معدنی محدوده شادان استفاده شده است. منطقه شادان که بخشی از بلوک لوت و زون فلیشی - کمربند افیولیتی شرق ایران است. در این پژوهش، با به کارگیری الگوریتم های یادگیری ماشین بر روی داده های اکتشافی منطقه، شامل داده های زمین شناسی (سنگ شناسی و ساختاری)، ژئوشیمی نمونه های سنگی، تصاویر ماهواره ای و ژئومغناطیسی، مناطق هدف برای حفاری های بیشتر شناسایی شدند. سپس، عملکرد مدل های تولیدشده با استفاده از شاخص هایی مانند Accuracy، Sensitivity، نمودار ROC و نمودار P-A ارزیابی و مقایسه شد. نتایج نشان داد که مدل پتانسیل معدنی حاصل از روش SVM عملکرد بهتری در شناسایی اهداف اکتشافی مس و طلای پورفیری داشته است. این مدل توانست ۱۳ درصد از مساحت ناحیه موردبررسی را به عنوان نواحی مطلوب برای حفاری های آتی که با حفاری های انجام شده قبلی نیز مطابقت داشت، به درستی پیش بینی کند. نواحی شناسایی شده عمدتا در مناطقی با تکتونیزه بالا و مرتبط با واحدهای سنگی آندزیت، گرانیت و گرانودیوریت قرار دارند. این پژوهش نشان دهنده برتری روش SVM در شناسایی نواحی مطلوب اکتشافی است و می تواند به عنوان مبنایی برای برنامه ریزی مراحل بعدی فرایند اکتشاف استفاده شود.

کلیدواژه ها:

نقشه پتانسیل معدنی ، یادگیری ماشین ، الگوریتم SVM ، الگوریتم RF ، شادان